Schulungsübersicht
Einführung in Bestärkendes Lernen und Agentische KI
- Entscheidungsfindung unter Unsicherheit und sequenzielle Planung
- Kernkomponenten des RL: Agenten, Umgebungen, Zustände und Belohnungen
- Rolle des RL in adaptiven und agenticen KI-Systemen
Markovsche Entscheidungsprozesse (MDPs)
- Formale Definition und Eigenschaften von MDPs
- Wertfunktionen, Bellman-Gleichungen und dynamische Programmierung
- Policy-Bewertung, -Verbesserung und -Iteration
Modellfreies Bestärkendes Lernen
- Monte-Carlo- und Temporal-Difference (TD)-Lernen
- Q-Learning und SARSA
- Praxis: Implementierung tabellarischer RL-Methoden in Python
Deep Reinforcement Learning
- Kombination neuronaler Netze mit RL zur Funktionsapproximation
- Deep Q-Networks (DQN) und Experience Replay
- Actor-Critic-Architekturen und Policy Gradients
- Praxis: Training eines Agenten mit DQN und PPO mittels Stable-Baselines3
Erkundungsstrategien und Belohnungsgestaltung
- Balance zwischen Exploration und Exploitation (epsilon-greedy, UCB, Entropie-Methoden)
- Gestaltung von Belohnungsfunktionen und Vermeidung unbeabsichtigter Verhaltensweisen
- Belohnungsformung (Reward Shaping) und Curriculum Learning
Fortgeschrittene Themen im RL und der Entscheidungsfindung
- Multi-Agenten-Bestärkendes Lernen und kooperative Strategien
- Hierarchisches Bestärkendes Lernen und das Options-Framework
- Offline-RL und Imitationslernen für einen sichereren Einsatz
Simulationsumgebungen und Bewertung
- Nutzung von OpenAI Gym und benutzerdefinierten Umgebungen
- Kontinuierliche versus diskrete Aktionsräume
- Metriken für Agentenleistung, Stabilität und Stichprobeneffizienz
Integration von RL in agentic KI-Systeme
- Kombination von Schlussfolgerung und RL in hybriden Agentenarchitekturen
- Integration von Bestärkendem Lernen mit Werkzeugnutzenden Agenten
- Betriebsaspekte für Skalierung und Bereitstellung
Capstone-Projekt
- Entwurf und Implementierung eines Bestärkenden-Learning-Agenten für eine simulierte Aufgabe
- Analyse der Trainingsleistung und Optimierung der Hyperparameter
- Demonstration adaptiven Verhaltens und der Entscheidungsfindung in einem agenticen Kontext
Zusammenfassung und nächste Schritte
Voraussetzungen
- Umfangreiche Kenntnisse in der Python-Programmierung
- Fundiertes Verständnis von Machine-Learning- und Deep-Learning-Konzepten
- Vertrautheit mit linearer Algebra, Wahrscheinlichkeitsrechnung und grundlegenden Optimierungsmethoden
Zielgruppe
- Ingenieurinnen und Ingenieure für Bestärkendes Lernen sowie angewandte KI-Forscherinnen und -Forscher
- Entwicklerinnen und Entwickler im Bereich Robotik und Automatisierung
- Entwicklungsteams, die an adaptiven und agenticen KI-Systemen arbeiten
Erfahrungsberichte (3)
Der Trainer ist geduldig und sehr hilfsbereit. Er kennt sich gut mit dem Thema aus.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Kurs - Agentic AI for Business Automation: Use Cases & Integration
Maschinelle Übersetzung
Guter Mix aus Wissen und Praxis
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Agentic AI for Enterprise Applications
Maschinelle Übersetzung
Die Mischung aus Theorie und Praxis sowie den Perspektiven auf hohem und niedrigem Niveau
Ion Mironescu - Facultatea S.A.I.A.P.M.
Kurs - Autonomous Decision-Making with Agentic AI
Maschinelle Übersetzung
